基于BP神經網絡的LF精煉終點溫度預測模型

鄭 偉， 李廷剛， 陳 勇， 馬仲群， 孫建鵬， 毛 勇

（五礦營口中板有限責任公司, 遼寧 營口 115000）

LF精煉工藝處于轉爐工藝與連鑄工藝之間，是煉鋼全流程的中轉環節，其主要任務包括脫硫去夾雜，以及對鋼水的合金成分與溫度進行微調，是確保鑄坯質量的重要環節之一。LF精煉過程是一個極其復雜的物理化學過程，工藝在實際執行時具有隨機性強、不確定因素多等特點，且影響因素之間存在強耦合與強非線性關系，從而導致在建立以反應機理為基礎的模型時定量分析誤差較大，因此需要應用神經網絡進行模擬擬合。本文以某鋼廠精煉車間120 t LF精煉爐作為研究對象，應用BP神經網絡方法訓練建立了能夠預測LF精煉終點溫度的模型，以提高終點溫度命中率，達到了加快生產節奏，降低成本的目的。

1 BP神經網絡建模

BP神經網絡是一種按逆傳播算法訓練的多層前饋網絡，是目前為科研工作者所廣泛使用的優質神經網絡模型之一。BP網絡可在不加入，根據機理模型建立的數學映射的前提下，存貯和學習大量的輸入-輸出模式映射關系，以達到實際反應進程進行模擬仿真的目的。它的學習規則是使用最速下降法，通過數據的逆向傳播來調整網絡的閾值和權值，從而得到最小的誤差平方值，以確保仿真擬合函數的精確度。BP神經網絡模型拓撲結構包括輸入層、隱層和輸出層如圖1所示[1]。本文應用神經網絡的函數逼近功能，以影響LF精煉終點溫度的各項參數為輸入向量，以相應爐次的LF精煉終點溫度為輸出向量，訓練數值仿真預測函數對LF精煉終點溫度進行預測。

2 模型的建立與驗證

2.1 參數的設定

根據專家的經驗以及對LF精煉過程進行分析可得，對精煉過程溫度變化起到主要作用的因素有合金加入量、鈣線加入量、輔料加入量、底吹氬氣量、底吹時間、加熱時間、處理周期、用電量、鋼液質量、精煉到站溫度等10個參數。因此本文以這10個參數作為LF精煉終點溫度預測模型的輸入變量，以終點溫度作為輸出變量。輸出變量與輸入參數值之間的函數關系如公式1所示：

式中：To為鋼包進站溫度；X1為合金加入量；X2為鈣線加入量；X3為輔料加入量；X4為底吹氬氣量；X5為底吹時間；X6為加熱時間；X7為處理周期；X8為耗電量；X9為鋼液質量；X10為精煉到站溫度。

2.2 參數的選取

在訓練模型的過程中應選用合適的樣本容量及個體，若樣本容量過大時，個體數目過多，個體之間的相關性較強，會影響模型整體的穩定性，神經網絡產生震蕩不利于函數收斂[2]。本文在某鋼廠精煉車間4號LF精煉爐的實際生產數據進行進行篩選，選擇具有代表性的數據對函數進行訓練。

2.3 預測模型的結果與分析

以某鋼廠120 t LF爐精煉車間的實際生產數據最為采集樣本庫，采集六百爐具有代表性的數據進行處理，刪除由于測量異得出的無效數據，得到529爐可用有效生產數據。選取其中329爐生產數據作為訓練數據集，剩余200爐生產數據作為測試數據并利用MATLAB軟件進行仿真擬合函數訓練與模擬預測。對測試數據集中各爐次終點溫度的模擬預測結果和實際期望結果進行對比，得出結果如圖2所示。

圖2 LF終點溫度預測

從圖2中可以看出基于BP神經網絡訓練的LF終點溫度預測模型，對終點溫度的預測效果較好。預測結果表明：終點溫度預測平均誤差為±3.45℃，絕對誤差小于5℃的命中率為96.5%，最大預測誤差小于±8℃。本文所建立的模型預測精度水平已達到指導生產實踐的要求，能夠為現場冶煉生產作出有效指導。

3 結論

本文針對LF精煉的冶煉過程建立了基于BP神經網絡訓練的仿真預測模型，對LF冶煉終點溫度進行預測，其結論如下：

1）通過對LF精煉過程機理進行分析可得，對精煉過程溫度變化起到主要作用的因素有：合金加入量、鈣線加入量、輔料加入量、底吹氬氣量、底吹時間、加熱時間、處理周期、用電量、鋼液質量、精煉到站溫度。

2）對本文建立的仿真預測函數進行了精度分析，分析了預測終點溫度與實際終點溫度的誤差水平，結果表明模型精度較高，可所為現場生產提供指導。